一文浅谈Graph Transformer领域近期研究进展

论文标题：

Structure-Aware Transformer for Graph Representation Learning

收录会议：

ICML 2022

论文链接：

https://arxiv.org/abs/2202.03036

代码链接：

https://github.com/BorgwardtLab/SAT

本文分析了 Transformer 的位置编码，认为使用位置编码的 Transformer 生成的节点表示不一定捕获它们之间的结构相似性。为了解决这个问题，提出了结构感知 Transformer，通过设计新的自注意机制，使其能够捕获到结构信息。新的注意力机制通过在计算注意力得分之前，提取每个节点的子图表示，并将结构信息合并到原始的自注意机制中。

本文提出了几种自动生成子图表示的方法，并从理论上表明，生成的表示至少与子图表示具有相同的表达能力。该方法在五个图预测基准上达到了最先进的性能，可以利用任何现有的 GNN 来提取子图表示。它系统地提高了相对于基本 GNN 模型的性能，成功地结合了 GNN 和 Transformer。

1.1 方法

本文提出了一个将图结构编码到注意力机制中的模型。首先，通过 Structure extractor 抽取节点的子图结构，进行子图结构的注意力计算。其次，遵循 Transformer 的结构进行计算。

Structure-Aware Self-Attention

1.2 实验

下图是模型在图回归和图分类任务上的效果。

使用 GNN 抽取结构信息后，再用 Transformer 学习特征，由下图可以看出，Transformer 可以增强 GNN 的性能。

GraphGPS

论文标题：

Recipe for a General, Powerful, Scalable Graph Transformer

收录会议：

NeurIPS 2022

论文链接：

https://arxiv.org/abs/2205.12454

代码链接：

https://github.com/rampasek/GraphGPS

本文首先总结了不同类型的编码，并对其进行了更清晰的定义，将其分为局部编码、全局编码和相对编码。其次，提出了模块化框架 GraphGPS，支持多种类型的编码，在小图和大图中提供效率和可伸缩性。框架由位置/结构编码、局部消息传递机制、全局注意机制三个部分组成。该架构在所有基准测试中显示了极具竞争力的结果，展示了模块化和不同策略组合所获得的经验好处。

2.1 方法

在相关工作中，位置/结构编码是影响 Graph Transformer 性能的最重要因素之一。因此，更好地理解和组织位置/结构编码将有助于构建更加模块化的体系结构，并指导未来的研究。本文将位置/结构编码分成三类：局部编码、全局编码和相对编码。各类编码的含义和示例如下表所示。

现有的 MPNN + Transformer 混合模型往往是 MPNN 层和 Transformer 层逐层堆叠，由于 MPNN 固有结构带来的过平滑问题，导致这样的混合模型的性能也会受到影响。因此，本文提出新的混合架构，使 MPNN 和 Transformer 的计算相互独立，获得更好的性能。具体框架如图所示。

框架主要由位置/结构编码、局部消息传递机制（MPNN）、全局注意机制（Self Attention）三部分组成。根据不同的需求设计位置/结构编码，与输入特征相加，然后分别输入到 MPNN 和 Transformer 模型中进行训练，再对两个模型的结果相加，最后经过一个 2 层 MLP 将输出结果更好的融合，得到最终的输出。更新公式如下：

2.2 实验

在图级别的任务上，效果超越主流方法：

通过消融实验，研究框架中各个结构的作用，可以看到，MPNN 和位置/结构编码模块对 Transformer 的效果均有提升作用。

总结

两篇文章都有一个共同特点，就是采用了 GNN + Transformer 混合的模型设计，结合二者的优势，以不同的方式对两种模型进行融合，GNN 学习到图结构信息，然后在 Transformer 的计算中起到提供结构信息的作用。在未来的研究工作中，如何设计更加合理的模型，也是一个值得探讨的问题。